.png){kind=icon}
返回
Efficient federated recommender system based on Slimify Module and Feature Sharpening Module
.png){kind=icon}
PRE
AI
DOI：10.1007/s10115-025-02433-2.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着通信网络和智能设备的发展，推荐系统领域的研究已引起研究人员的广泛关注。点击率（CTR）预测在推荐系统中具有重要意义。许多当前的CTR预测方法面临以下挑战：首先，它们通常需要集中存储用户行为数据以创建准确的用户模型。然而，用户对隐私高度敏感，隐私担忧及相关数据保护法规使得跨平台聚合行为数据变得困难。其次，大多数CTR预测模型采用大规模深度模型，其庞大的规模阻碍了更广泛的应用。为解决这些问题，我们提出了基于Slimify模块和特征锐化模型的高效联邦推荐系统（FedMS）。所提方法的新颖性在于其能够有效结合多个平台上的特征表示，同时确保隐私保护，并最小化模型的通信开销和存储需求。FedMS包含两个模块。Slimify模块通过内积替换和堆叠压缩层实现的参数压缩来减小模型规模。特征锐化模块利用基于位置的关注机制增强不同领域嵌入的重要性。此外，我们引入本地差分隐私以进一步减轻用户隐私泄露。在三个公开数据集上进行的大量实验结果表明，FedMS在预测CTR方面表现出卓越性能，同时训练时间也显著减少。以RelaImpr作为评价指标，其在Criteo、Avazu和MovieLens数据集上分别实现了11.04%、3.38%和4.82%的提升。
Keyword:
Federated learning
CTR prediction
Model compression
Recommender system
期刊
IF:
3.1
论文数:
564
被引数:
5.2K
机构
暂无机构信息
引用论文
Personalized Consumer Federated Recommender System Using Fine-grained Transformation and Hybrid Information Sharing基于细粒度转换和混合信息共享的个性化消费者联邦推荐系统
PREAI
分享收藏
FGC: GCN-Based Federated Learning Approach for Trust Industrial Service RecommendationFGC: 基于GCN的信任工业服务推荐的联邦学习方法
PREAI
分享收藏分享收藏Bilateral personalized dialogue generation with contrastive learning基于对比学习的双边个性化对话生成.png)
SOFT COMPUTING
OAAI
SOFT COMPUTINGIF2.5
OAAI分享收藏POI Recommendation with Federated Learning and Privacy Preserving in Cross Domain Recommendation
PREAI
分享收藏A Multi-tasking and Multi-stage Chinese Minority Pre-trained Language Model多任务和多阶段中国少数民族预训练语言模型
PREAI
分享收藏
查看更多内容